王樂寧，邱 華，唐 詩，袁永生，郭 江

（1.國能大渡河猴子巖發(fā)電有限公司，四川甘孜 626100；2.國能大渡河流域水電開發(fā)有限公司，四川成都 610041；3.武漢大學動力與機械學院，湖北武漢 430072）

0 引言

開關柜作為重要的電氣設備，廣泛應用于電力、鐵道、工礦等各個行業(yè)，負責電力設備的啟閉、控制和保護，覆蓋電能生命周期的大部分領域，需要重點關注其運行狀態(tài)，保證設備安全穩(wěn)定。由于開關柜內部電氣和機械結構復雜、環(huán)境封閉，散熱條件較差，開關柜溫度變化成為其狀態(tài)分析的核心表征。近年來，因開關柜觸頭接觸位置過熱，而導致開關柜溫升過熱，進而出現(xiàn)大范圍停電甚至火災的問題屢見不鮮［1，2］。因此，如何實現(xiàn)對開關柜溫升情況的實時監(jiān)控和預測，及時發(fā)現(xiàn)可能存在的過熱故障隱患，并進行故障預警，從而提升開關柜安全運行水平，已成為電力系統(tǒng)穩(wěn)定運行亟需解決的問題之一。

為此，國內外研究學者對開關柜溫升監(jiān)測系統(tǒng)展開了大量的研究。紅外、光纖等測溫方法成熟，已形成規(guī)模化生產(chǎn)，其中無線測溫法因其成本低、面積小、不需要安裝布線等優(yōu)勢被廣泛應用［3-6］。但此類監(jiān)測方法多關注溫度信息的采集，并未涉及到設備風險評估及預測。傳統(tǒng)的開關柜升溫預警便是利用采集的溫度數(shù)據(jù)與所設定的固定預警閾值比較，以此來對比判斷開關柜運行狀態(tài)，此類方法預警準確度依賴于人工設置的預警閾值，主觀性較強，經(jīng)常會發(fā)生誤報和漏報的現(xiàn)象。

基于此，目前很多研究學者從溫升有限元分析［7-10］、時序分析［11］、熵權法［12］、信息融合技術［13］等角度提出很多溫升預警算法。例如，張凱等［7］提出了一種基于有限元分析的溫度場仿真，運用流體仿真軟件模擬開關柜溫度分布；楊帆等［11］提出了一種基于多數(shù)據(jù)融合的預警算法，從環(huán)境溫度、電流和實時溫度三個角度獲取的數(shù)據(jù)出發(fā)，建立BP 神經(jīng)網(wǎng)絡評估模型，來進行溫度預警；許高俊等［12］提出一種綜合溫度預警算法，將不同的預警閾值融合在一起，形成一個預警系統(tǒng)；劉耀巍等［13］從聚類分析的角度，提出一種基于最優(yōu)等級數(shù)的多為特征量開關柜健康狀態(tài)評估方法。較傳統(tǒng)的閾值比較法，以上方法均獲得了更好地風險評估準確度，然而其影響因子的選擇均來自于與開關柜溫升變化有直接關系的一些信息，如觸頭溫度、環(huán)境溫度、實時電流，而忽略了開關柜自身對其溫度產(chǎn)生的影響。

因此，為了能夠提高開關柜狀態(tài)預測準確性，本文在開關柜溫度異常狀態(tài)分析和預警中引入開關柜臺帳信息、運行信息、環(huán)境信息等影響其溫升的因素，提出了一種基于自適應BP神經(jīng)網(wǎng)絡（Adaptive back propagation neural network，ABPNN）的開關柜溫升風險評估方法。該方法首先通過分析開關柜溫升異常機理，確定溫升因素，并以此作為輸入層，以溫升風險等級作為輸出層，建立BP 神經(jīng)網(wǎng)絡模型，在此基礎上引入自適應遺傳算法實時調整網(wǎng)絡參數(shù)，最終構建自適應能力更強，預測結果更準確的溫升風險評估模型。工程應用結果表明，本文提出的模型，相較于傳統(tǒng)的神經(jīng)網(wǎng)絡模型（BP）和GA-BP 模型，可以更加快速準確對開關柜溫升異常提出預警，對電力系統(tǒng)風險管控具有重要意義。

1 開關柜溫度異常機理分析

1.1 開關柜溫度異常機理分析

開關柜內載流回路有多處母排搭接面，并且，廣泛使用的手車式開關柜，由運行人員推入或退出手車來控制隔離斷口的關合或開斷，這些靜態(tài)搭接面或動態(tài)接觸點存在接觸電阻，一旦電流通過，就會產(chǎn)生與接觸電阻值和電流值呈正相關關系的熱量，引起柜內溫度上升。

按照相關標準或規(guī)程生產(chǎn)、安裝和運維的開關柜，各接觸點的接觸電阻應在相應范圍內，在通過正常運行電流的情況下，溫升符合規(guī)定要求。但在接觸不良、設備老化、局部放電等情況下，發(fā)熱量將異常提高，再加上開關柜內部散熱性差，易導致異常溫升［14］。過熱故障隱患繼續(xù)發(fā)展，因溫度異常升高加劇接觸點氧化、燒蝕，引起接觸電阻進一步增大、溫度進一步升高，從而導致惡性循環(huán)，直至出現(xiàn)開關柜過熱故障［15-18］。

1.2 影響因子和溫升風險等級確定

根據(jù)開關柜溫度異常發(fā)生機理，首先確定溫升直接影響因子，如開關柜所處環(huán)境溫度的高低、負荷電流的大小、導體接觸電阻阻值大小等因素，可作為其風險評估影響因子；其次，電站中運行的開關柜大多不是滿載運行，一般隨著用戶對用電需求的改變負荷電流也隨之變化，負載的改變會對溫升產(chǎn)生直接影響，同時，在進行溫度監(jiān)測時也應考慮電氣設備在環(huán)境濕度過高或過低下的影響，此外由于母線材料不同，電阻率不同，導致導體接觸電阻不同，因此可考慮用電負載、環(huán)境濕度等間接影響因素。除此之外，觸頭接觸面積的大小也會對接觸電阻產(chǎn)生影響，也可作為其間接影響因素。

基于上述對開關柜溫升影響因素的分析，本文在結合開關柜臺帳數(shù)據(jù)、運行數(shù)據(jù)、監(jiān)測數(shù)據(jù)、環(huán)境數(shù)據(jù)等的基礎上，確定了開關柜溫升主要影響因子有運行年限、歷史故障情況、負荷電流、母排溫度、觸頭溫度、環(huán)境溫度、環(huán)境濕度、導體接觸電阻、觸頭接觸面積、風機狀態(tài)［19-22］。

根據(jù)歷史故障數(shù)據(jù)信息、開關柜溫度與可能安全事故隱患的大小，可確定開關柜溫升風險等級有五級，如表1所示。

表1 開關柜的溫升風險等級Tab.1 Risk level of temperature rise of switchgear

2 ABPNN神經(jīng)網(wǎng)絡開關柜溫升風險評估模型

開關柜溫升異常多由多影響因子相互作用形成，其風險評估具有非線性、多擾動性等特點，影響因子與溫升風險相關關系復雜［23，24］。針對這種非線性、不確定性的關系預測，傳統(tǒng)的關系型預測方式已經(jīng)不再使用，可采用泛化能力強和自組織能力強的神經(jīng)網(wǎng)絡模型來描述并逼近這些更加復雜的非線性關系。

現(xiàn)存較為成熟的神經(jīng)網(wǎng)絡模型有很多，其中BP 神經(jīng)網(wǎng)絡結構簡單，包含輸入、隱含和輸出三層結構，其訓練算法一般以目標輸出與實際輸出之間誤差為優(yōu)化目標，采用梯度下降法來不斷地對權重進行修正，以達到精確預測的結果，算法成熟且簡單，被廣泛應用于解決非線性問題。然而直接用BP 神經(jīng)網(wǎng)絡去訓練開關柜溫度異常模型，一方面會因為輸入層神經(jīng)元個數(shù)的增加而陷入維度災難，造成訓練時間過長；另一方面收初始權值，網(wǎng)絡結構等的限制，容易陷入局部最優(yōu)，導致評估準確度降低［25-28］。

基于此，本文在研究開關柜溫度相關記錄數(shù)據(jù)的基礎上，對其有價值的數(shù)據(jù)進行挖掘和分析，并構建自適應BP 神經(jīng)網(wǎng)絡的開關柜溫升預警模型（Adaptive back propagation neural network，ABPNN）。模型一方面采用傳統(tǒng)的遺傳算法對BP 神經(jīng)網(wǎng)絡進行了優(yōu)化，避免了BP 網(wǎng)絡陷入局部最優(yōu)和過擬合等問題；另一方面根據(jù)遺傳算法中適應度值的變化，實時調節(jié)交叉、變異概率，通過自適應地概率調整，保證種群多樣性的同時，提高模型收斂性。

2.1 ABPNN網(wǎng)絡結構

ABPNN 開關柜溫升風險評估模型的網(wǎng)絡結構包含3 層：輸入層、隱含層和輸出層，如下圖1 所示。其中，輸入層由n個神經(jīng)元組成｛x1，x2，…，xn｝，即開關柜溫升風險n個影響因子；隱含層由d個神經(jīng)元組成｛h1，h2，…，hd｝，接受輸入層傳來數(shù)據(jù)、進行處理得到輸出，傳遞給下一層；輸出層由m個神經(jīng)元組成｛y1，y2，…，ym｝，用來輸出開關柜溫升風險等級。

圖1 ABPNN模型網(wǎng)絡結構Fig.1 ABPNN model network structure

將輸入層到隱含層的連接權重設為wih，此時可計算出隱含層中第j個神經(jīng)元的輸入hih（j）和輸出hoh(j)，如式（1）和（2）所示。

同樣假設，隱含層到輸出層的連接權重為who，此時，輸出層中第k個神經(jīng)元的輸入yio(k)和輸出yo(k)分別是：

在此過程中可選取sigmoid 函數(shù)作為隱含層和輸出層的激活函數(shù)f。各層之間的權值通過計算輸出值的誤差來進行修正。

由此可知，將ABPNN 模型用于開關柜溫升風險評估，首先需要確定網(wǎng)絡的輸入和輸出，來構建樣本數(shù)據(jù)集。根據(jù)前面開關柜溫升異常機理分析，可確定ABPNN 開關柜溫升風險評估的網(wǎng)絡結構輸入層包括10 個神經(jīng)元，分別為：運行年限（x1）、歷史故障情況（x2）、負荷電流（x3）、母排溫度（x4）、觸頭溫度（x5）、環(huán)境溫度（x6）、環(huán)境濕度（x7）、導體接觸電阻（x8）、觸頭接觸面積（x9）、風機狀態(tài)（x10）。

輸出層應為開關柜溫升風險等級，因此，可將輸出層神經(jīng)元個數(shù)設置為3，即y1，y2，y3，每個神經(jīng)元輸出取值為0 或1。則如果輸出“000”，代表風險等級為Ⅰ，輸出“001”代表風險等級Ⅱ，輸出“010”代表風險等級Ⅲ，輸出“011”風險等級Ⅳ，輸出“100”代表風險等級Ⅴ。以此確定模型的輸入和輸出，并建立相應的訓練樣本集。

2.2 建立ABPNN溫度異常風險評估模型

建立基于ABPNN 的開關柜溫度異常風險評估模型，如圖2所示的算法流程圖，包含以下步驟：

圖2 開關柜溫度異常風險評估流程圖Fig.2 Risk assessment process for abnormal temperature of switchgear

步驟1：確定開關柜溫升風險的影響因子X和溫升風險等級Y：并對原始采集數(shù)據(jù)進行預處理（標準化處理或者歸一化），使得樣本輸入數(shù)據(jù)限制在［0，1］區(qū)間，得到ABPNN 網(wǎng)絡的輸入層神經(jīng)元和輸出層數(shù)據(jù)，上述數(shù)據(jù)預處理方法如下。

根據(jù)開關柜溫升風險影響因子自身特點，可將其分為實數(shù)類和文字類兩類，并采用不同的方式進行預處理［29］：

（1）針對實數(shù)類影響因子，如運行年限（x1，a）、負荷電流（x3，A）、母排溫度（x4，℃）、觸頭溫度（x5，℃）、環(huán)境溫度（x6，℃）、環(huán)境濕度（x7，%）、導體接觸電阻（x8，Ω）、觸頭接觸面積（x9，m2），可采用min-max 標準化方法進行歸一化，即對以上實數(shù)類影響因子xi采用公式（5）處理，得到新數(shù)據(jù)xi′，輸入到ABPNN 網(wǎng)絡中。

（2）針對文字類影響因子，如歷史故障情況（x2）、風機狀態(tài)（x10），可采用表2所示的自變量賦值方法。

表2 開關柜溫升影響因子賦值Tab.2 Assignment of influence factors of temperature rise of switchgear

步驟2：選擇備選網(wǎng)絡結構。ABPNN 網(wǎng)絡中輸入層和輸出層已確定，因此備選網(wǎng)絡結構主要指隱含層神經(jīng)元個數(shù)，其選取方法如下：依次選擇［m+1，2n］范圍內的整數(shù)作為隱含層神經(jīng)元個數(shù)，并利用小規(guī)模的樣本數(shù)據(jù)來進行網(wǎng)絡訓練，并記錄每一次的收斂誤差，選擇誤差最小的隱含層個數(shù)作為網(wǎng)絡最優(yōu)結構。

步驟3：初始化ABPNN 網(wǎng)絡參數(shù)。ABPNN 網(wǎng)絡參數(shù)，包括所有權值和閾值的初始取值，同時設置網(wǎng)絡訓練的初始學習率，期望最小誤差。

步驟4：初始化種群編碼。對ABPNN 初始網(wǎng)絡參數(shù)進行編碼，得到多個不同個體，種群數(shù)量為Num，作為初始種群P0，輸入到遺傳算法中。

步驟5：計算種群的適應度。在遺傳算法中，種群適應度函數(shù)用來評估個體的優(yōu)劣，適應度值越大，個體基因越好，更加容易被保留下來。因此，在模型中，可利用樣本數(shù)據(jù)及初始化的ABPNN網(wǎng)絡模型，得到樣本輸出值，并與期望輸出值進行比較，得到其誤差值，以此來表示個體基因的優(yōu)劣。為此，可采用如（6）所示的計算方式來表示個體的適應度值，其中，N表示訓練樣本數(shù)為樣本預測輸出值，yop為樣本真實輸出值：

如此反復，可計算出第t代種群P（t）中所有個體的適應度值。

步驟6：初始化遺傳算法參數(shù)。包括最大迭代次數(shù)，交叉概率p范圍［p1，p2］，變異概率q范圍［q1，q2］。

步驟7：個體選擇。采用輪盤賭選擇法，對種群中個體進行擇優(yōu)選擇，選擇步驟如下：

首先根據(jù)種群中個體適應度值，利用式（7）可計算出每個個體被遺傳的概率p（i）；

然后利用式（8）計算出個體的累積概率q（i）；

接著隨機生成一個［0，1］之間數(shù)r；

若個體的累積概率大于r，則選擇留下該個體，反之，選擇另一個個體k，使得q（k-1）

重復以上步驟直到種群中所有個體都被選擇了一次。

步驟8：動態(tài)地進行種群的交叉和變異。根據(jù)種群個體的適應度值變化情況，對交叉、變異概率進行動態(tài)調整，得到新的種群。首先設定初始值，可采用初始交叉概率p0和初始變異概率q0，如式（9）所示，其中p1，p2，q1，q2均為固定值。

然后得到新種群，并計算其適應度值，若適應度值分布較分散，可適當減小概率值，來保留種群中表現(xiàn)較優(yōu)的個體；若某個個體適應度值表現(xiàn)為陷入局部最優(yōu)時，加大概率值，從而跳出局部最優(yōu)，保證個體多樣性。

步驟9：判斷是否滿足終止條件。給定最小誤差閾值，若得到的新個體適應度值小于閾值，則輸出該個體，進行解碼，分析得到ABPNN網(wǎng)絡最優(yōu)參數(shù)，否則重復上述步驟7～9。

步驟10：ABPNN 網(wǎng)絡訓練。根據(jù)網(wǎng)絡最優(yōu)參數(shù)，訓練ABPNN 網(wǎng)絡，在訓練過程中采用梯度下降法，并通過計算出的誤差，來對權值和閾值進行不斷地修正；

步驟11：判斷誤差是否小于給定最大誤差，滿足則利用該模型對開關柜溫度異常進行風險評估，并輸出預測值，否則返回到步驟10計算新的誤差，繼續(xù)進行權值和閾值的修正。

3 工程應用

為驗證本文提出的ABPNN 開關柜溫升風險評估模型的有效性，從某水電站廠用電系統(tǒng)獲取了近10年的開關柜溫升有關監(jiān)測數(shù)據(jù)，并進行了刪選得到100組具有代表性的數(shù)據(jù)，作為訓練樣本集。為保持訓練樣本均衡性，這100 組數(shù)據(jù)中每一種風險等級的樣本數(shù)據(jù)量相等，均為20。同時，還隨機選取了10 組數(shù)據(jù)形成測試樣本集。驗證過程中使用的是MATLAB 神經(jīng)網(wǎng)絡工具箱。

根據(jù)樣本數(shù)據(jù)，首先進行預處理，分別得到輸入層數(shù)據(jù)X和輸出層數(shù)據(jù)Y。在此基礎上建立ABPNN 神經(jīng)網(wǎng)絡，在初始最優(yōu)網(wǎng)絡羅結構的選擇過程中，本文依次采用10×4×3～10×20×3 范圍內所有的網(wǎng)絡結構，根據(jù)誤差擇優(yōu)選擇10×6×3的網(wǎng)絡拓撲結構，實驗過程中所用參數(shù)設置如表3所示。

表3 ABPNN網(wǎng)絡訓練參數(shù)設置Tab.3 ABPNN network training parameter setting

根據(jù)設置好的參數(shù)，對網(wǎng)絡模型進行了構建和訓練，并最終用于開關柜溫度異常風險評估過程。為了驗證ABPNN 評估模型有效性，采用BP 神經(jīng)網(wǎng)絡和GA-BP 神經(jīng)網(wǎng)絡作為對比方法，進行了訓練和評估。

3種不同網(wǎng)絡結構下，100組訓練樣本數(shù)據(jù)集的開關柜溫升風險評估結果如圖3 所示。從圖3 中可以看出，本文提出的ABPNN 風險評估模型，平均預測準確率高達90%，高于BP神經(jīng)網(wǎng)絡的80%和GA-BP神經(jīng)網(wǎng)絡的84%。

圖3 不同模型下開關柜溫升風險評估結果比較Fig.3 Comparison of risk assessment results of switchgear temperature rise under different models

此外，為了驗證ABPNN 溫升風險評估準確率，我們收集了10 組現(xiàn)場某開關柜相關數(shù)據(jù)，組成了測試樣本，通過對測試樣本中的影響因子進行預處理之后得到ABPNN 模型的輸入值，使用MATLAB輸入到訓練網(wǎng)絡中，對10組數(shù)據(jù)進行溫升風險評估預測。結果表明，ABPNN神經(jīng)網(wǎng)絡的開關柜溫升風險等級識別的準確率高達90%，預測結果如表4所示。

表4 ABPNN開關柜溫升風險預測結果Tab.4 ABPNN switchgear temperature rise risk prediction results

4 結論

本文通過對開關柜溫升異常的機理分析研究，歸納整理了臺帳數(shù)據(jù)、運行數(shù)據(jù)、監(jiān)測數(shù)據(jù)、環(huán)境數(shù)據(jù)，確定開關柜溫升主要影響因子，通過構建ABPNN 神經(jīng)網(wǎng)絡的開關柜溫升風險評估模型，對溫升風險等級進行快速和準確預測。最后進行了對比分析和工程應用，本方法相對于BP和GA-BP模型，提高了開關柜溫升風險等級預測的準確率，具有較好的實用性，可以提高開關柜運行風險管控能力，對電力系統(tǒng)穩(wěn)定運行具有重要意義。